思维导图备注

Python自然语言处理
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第1章 引言

浏览 6 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-24 10:08:16
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 译者序
  • 推荐序
  • 作者介绍
  • 关于审校人员
  • 前言
  • 第1章 引言
    • 1.1 自然语言处理
    • 1.2 基础应用
    • 1.3 高级应用
    • 1.4 NLP和Python相结合的优势
    • 1.5 nltk环境搭建
    • 1.6 读者提示
    • 1.7 总结
  • 第2章 实践理解语料库和数据集
    • 2.1 语料库
    • 2.2 语料库的作用
    • 2.3 语料分析
    • 2.4 数据属性的类型
      • 2.4.1 分类或定性数据属性
      • 2.4.2 数值或定量数据属性
    • 2.5 不同文件格式的语料
    • 2.6 免费语料库资源
    • 2.7 为NLP应用准备数据集
      • 2.7.1 挑选数据
      • 2.7.2 预处理数据集
    • 2.8 网页爬取
    • 2.9 总结
  • 第3章 理解句子的结构
    • 3.1 理解NLP的组成
      • 3.1.2 自然语言生成
      • 3.1.3 NLU和NLG的区别
    • 3.2 上下文无关文法
    • 3.3 形态分析
      • 3.3.1 形态学
      • 3.3.3 词干
      • 3.3.4 形态分析
      • 3.3.5 词
      • 3.3.6 词素的分类
      • 3.3.7 词干和词根的区别
    • 3.4 词法分析
      • 3.4.1 词条
      • 3.4.3 导出词条的过程
      • 3.4.4 词干提取和词形还原的区别
      • 3.4.5 应用
    • 3.5 句法分析
    • 3.6 语义分析
      • 3.6.1 语义分析概念
      • 3.6.2 词级别的语义
      • 3.6.3 上下位关系和多义词
      • 3.6.4 语义分析的应用
    • 3.7 消歧
      • 3.7.1 词法歧义
      • 3.7.2 句法歧义
      • 3.7.3 语义歧义
      • 3.7.4 语用歧义
    • 3.8 篇章整合
    • 3.9 语用分析
    • 3.10 总结
  • 第4章 预处理
    • 4.1 处理原始语料库文本
      • 4.1.1 获取原始文本
      • 4.1.2 小写化转换
      • 4.1.3 分句
      • 4.1.4 原始文本词干提取
      • 4.1.5 原始文本词形还原
      • 4.1.6 停用词去除
    • 4.2 处理原始语料库句子
      • 4.2.2 单词词形还原
    • 4.3 基础预处理
    • 4.4 实践和个性化预处理
      • 4.4.2 预处理流程
      • 4.4.3 预处理的类型
      • 4.4.4 理解预处理的案例
    • 4.5 总结
  • 第5章 特征工程和NLP算法
    • 5.1 理解特征工程
      • 5.1.2 特征工程的目的
      • 5.1.3 一些挑战
    • 5.2 NLP中的基础特征
      • 5.2.2 词性标注和词性标注器
      • 5.2.3 命名实体识别
      • 5.2.4 n元语法
      • 5.2.5 词袋
      • 5.2.6 语义工具及资源
    • 5.3 NLP中的基础统计特征
      • 5.3.1 数学基础
      • 5.3.2 TF-IDF
      • 5.3.3 向量化
      • 5.3.4 规范化
      • 5.3.5 概率模型
      • 5.3.6 索引
      • 5.3.7 排序
    • 5.4 特征工程的优点
    • 5.5 特征工程面临的挑战
    • 5.6 总结
  • 第6章 高级特征工程和NLP算法
    • 6.1 词嵌入
    • 6.2 word2vec基础
      • 6.2.1 分布语义
      • 6.2.2 定义word2vec
      • 6.2.3 无监督分布语义模型中的必需品
    • 6.3 word2vec模型从黑盒到白盒
    • 6.4 基于表示的分布相似度
    • 6.5 word2vec模型的组成部分
      • 6.5.1 word2vec的输入
      • 6.5.2 word2vec的输出
      • 6.5.3 word2vec模型的构建模块
    • 6.6 word2vec模型的逻辑
      • 6.6.1 词汇表构建器
      • 6.6.2 上下文环境构建器
      • 6.6.3 两层的神经网络
      • 6.6.4 算法的主要流程
    • 6.7 word2vec模型背后的算法和数学理论
      • 6.7.1 word2vec算法中的基本数学理论
      • 6.7.2 词汇表构建阶段用到的技术
      • 6.7.3 上下文环境构建过程中使用的技术
    • 6.8 神经网络算法
      • 6.8.1 基本神经元结构
      • 6.8.2 训练一个简单的神经元
      • 6.8.3 单个神经元的应用
      • 6.8.4 多层神经网络
      • 6.8.5 反向传播算法
      • 6.8.6 word2vec背后的数学理论
    • 6.9 生成最终词向量和概率预测结果的技术
    • 6.10 word2vec相关的一些事情
    • 6.11 word2vec的应用
      • 6.11.1 实现一些简单例子
      • 6.11.2 word2vec的优势
      • 6.11.3 word2vec的挑战
      • 6.11.4 在实际应用中使用word2vec
      • 6.11.5 何时使用word2vec
      • 6.11.6 开发一些有意思的东西
      • 6.11.7 练习
    • 6.12 word2vec概念的扩展
      • 6.12.1 para2vec
      • 6.12.2 doc2vec
      • 6.12.3 doc2vec的应用
      • 6.12.4 GloVe
      • 6.12.5 练习
    • 6.13 深度学习中向量化的重要性
    • 6.14 总结
  • 第7章 规则式自然语言处理系统
    • 7.1 规则式系统
    • 7.2 规则式系统的目的
      • 7.2.2 使用规则式系统的应用
      • 7.2.3 练习
      • 7.2.4 开发规则式系统需要的资源
    • 7.3 规则式系统的架构
      • 7.3.1 从专家系统的角度来看规则式系统的通用架构
      • 7.3.2 NLP应用中的规则式系统的实用架构
      • 7.3.3 NLP应用中的规则式系统的定制架构
      • 7.3.4 练习
    • 7.4 规则式系统的开发周期
    • 7.5 规则式系统的应用
      • 7.5.2 使用规则式系统的通用AI应用
    • 7.6 使用规则式系统来开发NLP应用
      • 7.6.1 编写规则的思维过程
      • 7.6.2 基于模板的聊天机器人应用
    • 7.7 规则式系统与其他方法的对比
    • 7.8 规则式系统的优点
    • 7.9 规则式系统的缺点
    • 7.10 规则式系统面临的挑战
    • 7.11 词义消歧的基础
    • 7.12 规则式系统近期发展的趋势
    • 7.13 总结
  • 第8章 自然语言处理中的机器学习方法
    • 8.1 机器学习的基本概念
    • 8.2 自然语言处理应用的开发步骤
      • 8.2.1 第一次迭代时的开发步骤
      • 8.2.2 从第二次到第N次迭代的开发步骤
    • 8.3 机器学习算法和其他概念
      • 8.3.1 有监督机器学习方法
      • 8.3.2 无监督机器学习方法
      • 8.3.3 半监督机器学习算法
      • 8.3.4 一些重要概念
      • 8.3.5 特征选择
      • 8.3.6 维度约减
    • 8.4 自然语言处理中的混合方法
    • 8.5 总结
  • 第9章 NLU和NLG问题中的深度学习
    • 9.1 人工智能概览
      • 9.1.1 人工智能的基础
      • 9.1.2 人工智能的阶段
      • 9.1.3 人工智能的种类
      • 9.1.4 人工智能的目标和应用
    • 9.2 NLU和NLG之间的区别
      • 9.2.2 自然语言生成
    • 9.3 深度学习概览
    • 9.4 神经网络基础
      • 9.4.1 神经元的第一个计算模型
      • 9.4.2 感知机
      • 9.4.3 理解人工神经网络中的数学概念
    • 9.5 实现神经网络
      • 9.5.1 单层反向传播神经网络
      • 9.5.2 练习
    • 9.6 深度学习和深度神经网络
      • 9.6.2 深度神经网络的基本架构
      • 9.6.3 NLP中的深度学习
      • 9.6.4 传统NLP和深度学习NLP技术的区别
    • 9.7 深度学习技术和NLU
    • 9.8 深度学习技术和NLG
      • 9.8.1 练习
      • 9.8.2 菜谱摘要和标题生成
    • 9.9 基于梯度下降的优化
    • 9.10 人工智能与人类智能
    • 9.11 总结
  • 第10章 高级工具
    • 10.1 使用Apache Hadoop作为存储框架
    • 10.2 使用Apache Spark作为数据处理框架
    • 10.3 使用Apache Flink作为数据实时处理框架
    • 10.4 Python中的可视化类库
    • 10.5 总结
  • 第11章 如何提高你的NLP技能
    • 11.2 备忘列表
    • 11.3 确定你的领域
    • 11.4 通过敏捷的工作来实现成功
    • 11.5 NLP和数据科学方面一些有用的博客
    • 11.6 使用公开的数据集
    • 11.7 数据科学领域需要的数学知识
    • 11.8 总结
  • 第12章 安装指导
    • 12.2 安装PyCharm开发环境
    • 12.3 安装依赖库
    • 12.4 框架安装指导
    • 12.5 解决你的疑问
    • 12.6 总结
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《Python自然语言处理》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度